Apache Iceberg 数据湖表格式中的核心术语

1. Data Files (数据文件)
   定义：这是 Iceberg 表中实际存储业务数据的文件。
   位置：通常位于表的数据存储目录下的 data目录中。
   格式：常见的格式是 Parquet（以 .parquet结尾），例如图片中的例子 00000-0-root_..._0025-00001.parquet。
   特性：每次对表进行更新（如插入、删除、修改）操作，都会产生新的数据文件。
2. Snapshot (表快照)
   定义：快照代表了表在某个特定时刻的完整状态。
   内容：每个快照包含一个清单列表（Manifest List），这个清单列出了当时表所包含的所有数据文件（Data Files）。
   作用：就像是数据库在某个时间点的备份视图，查询引擎可以通过快照确定要读取哪些数据文件。
3. Manifest List (清单列表)
   定义：这是一个元数据文件，它列出了构建当前快照（Snapshot）所需的所有清单文件（Manifest File）。
   存储内容：
   每个 Manifest File 的路径。
   每个 Manifest File 存储的数据文件的分区范围。
   增加或删除了多少个数据文件等信息。
   作用：在查询时，它可以帮助快速过滤掉不需要扫描的文件，从而加速查询。
4. Manifest File (清单文件)
   定义：这也是一个元数据文件，它列出了组成快照（Snapshot）的具体数据文件（Data Files）的详细信息。
   存储内容（每行描述一个数据文件）：
   数据文件的状态（新增、删除等）。
   文件路径。
   分区信息。
   列级别的统计信息（如每列的最大值、最小值、空值数等）------这是 Iceberg 高效剪枝（Pruning）的关键。
   文件大小和行数。
   格式：通常以 Avro 格式存储（以 .avro结尾），例如图片中的例子 8138fce4-40f7-41d7-82a5-922274d2abba-m0.avro。
   作用：查询引擎在扫描表时，会利用这里的列统计信息跳过不相关的数据文件（例如，查询条件要求年龄>30，而某文件统计显示年龄最大值25，则该文件可直接跳过）。
   总结关系链
   这四个术语构成了一个自下而上的层级结构，用于管理表的版本和数据：
   Data Files (数据文件) →被记录在 Manifest File (清单文件) 中 →多个 Manifest File 被记录在 Manifest List (清单列表) 中 →最终构成 Snapshot (表快照)。